Pourquoi l’IA vidéo semble-t-elle moins précise à travers la pluie, une vitre ou des toiles d’araignée ?

L’IA vidéo devient moins fiable sous la pluie, derrière une vitre ou en présence de toiles, car les interférences optiques masquent les caractéristiques réelles tout en créant de faux éléments convaincants.

Une caméra de terrasse peut détecter efficacement les personnes par temps sec, puis générer des alertes concernant des animaux ou des personnes lorsqu’une toile mouillée brille sous la lumière infrarouge. Le modèle voit des pixels, pas la « météo ». Les gouttelettes, les reflets et les fils proches de l’objectif peuvent dominer ces pixels ou effacer les contours nécessaires pour reconnaître un sujet éloigné.

Les interférences ajoutent des caractéristiques qui n’appartiennent pas à la scène

Les traînées de pluie créent de courtes lignes brillantes ; les gouttelettes réfractent la lumière et rendent certaines zones floues ; les vitres ajoutent des reflets ; et les toiles forment des courbes très contrastées près de l’objectif. Les détecteurs entraînés sur des scènes ordinaires peuvent interpréter ces motifs comme des parties d’un objet ou perdre le véritable contour qui se trouve derrière.

Les travaux sur une seule image consacrés à la suppression de la pluie modélisent la pluie comme une couche visuelle pouvant être séparée du contenu de la scène. La nécessité de méthodes de suppression dédiées montre que la pluie modifie la structure de l’image au lieu de simplement réduire sa luminosité.

Les interférences proches de l’objectif sont disproportionnellement puissantes, car elles occupent de nombreux pixels malgré leur petite taille physique. La lumière infrarouge peut éclairer un fil ou une gouttelette alors que l’allée éloignée reste sombre. Le faux élément peut alors présenter davantage de contraste que la personne réelle que le système est censé détecter.

La vitre et l’eau créent des images concurrentes

Une caméra placée derrière une vitre peut capturer simultanément la scène extérieure et un reflet intérieur. La mise au point, l’exposition et la polarisation déterminent quelle couche domine. L’eau ajoute une distorsion réfractive qui se déplace lorsque les gouttelettes glissent ; un arrière-plan statique devient donc instable dans le temps, même si rien d’important ne bouge à l’extérieur.

Les travaux sur la suppression des reflets considèrent la séparation des reflets comme celle de deux composantes visuelles superposées, plutôt que comme une seule scène nette. Ce modèle explique pourquoi la détection d’objets standard peut attribuer un niveau de confiance à des détails de la pièce reflétée au lieu de ceux de la zone surveillée.

La détection de mouvement peut se déclencher en premier, suivie d’un détecteur contraint de classer la région modifiée. L’étiquette obtenue peut sembler fausse avec assurance, car le pipeline a déjà sélectionné une zone inhabituelle. Les mesures de confiance adaptées aux données d’entraînement ne garantissent pas l’exactitude en présence d’une contamination optique.

Quand la météo n’est pas la cause principale

L’explication par les interférences devient insuffisante lorsque les erreurs persistent après nettoyage de l’objectif et de la vitre, ou lorsque les détections coïncident avec des artefacts d’encodage et des pertes d’images. Une mise à jour du modèle, une modification de la sensibilité, un changement de mode infrarouge ou une nouvelle zone de détection peuvent survenir en même temps que la pluie et créer une corrélation trompeuse.

Les recherches consacrées à la détection des toiles d’araignée indiquent que les toiles peuvent entraîner un nombre important de fausses alertes dans les systèmes de surveillance. Toutefois, une toile n’est une cause que lorsque sa position et son éclairage correspondent aux fausses régions observées par le modèle.

La météo ne peut pas non plus expliquer un problème limité à l’application mobile si les détections côté serveur et les images enregistrées restent correctes. Distinguez l’obstruction lors de la capture du transport et du rendu de l’interface. Une scène humide aux contours d’objets nets peut continuer à fonctionner correctement, tandis qu’une petite gouttelette éclairée à contre-jour peut suffire à perturber un angle de caméra particulier.

Featured

ZimaCube 2 NAS personnel Cloud à domicile

ZimaCube2

$799.00 - $2,499.00

Buy Now

Faites correspondre les obstructions aux pixels qui déclenchent les détections

Enregistrez des séquences sèches et contaminées correspondantes provenant de la même caméra et du même modèle d’inférence. Repérez les régions de pixels occupées par les gouttelettes, les reflets ou les toiles, puis vérifiez si les fausses délimitations se superposent à ces régions. Notez l’état de l’infrarouge, la vitesse d’obturation, le gain, la taille de l’objet, le niveau de confiance et le débit binaire de l’encodeur.

Conservez le test dans un pipeline de traitement local des événements afin de comparer les événements de fichiers, les images d’inférence et les horodatages des alertes sans qu’un service cloud ne modifie discrètement le prétraitement. Utilisez plusieurs nuits, car les toiles et les gouttelettes se déplacent.

Considérez les interférences optiques comme causales lorsque les erreurs apparaissent avec l’obstruction, se superposent à sa région dans l’image et disparaissent dans des conditions par ailleurs identiques. Si les défaillances persistent après le nettoyage ou surviennent en dehors des pixels concernés, recherchez des modifications du modèle ou du flux vidéo. Si la pluie ne fait qu’augmenter les déclenchements liés au mouvement, distinguez la sensibilité du déclenchement de la précision de la classification.